Las redes de re-identificación de personas (Re-ID) suelen estar afectadas por factores como variaciones de pose, cambios de punto de vista y oclusión, lo que lleva a la extracción de características que abarcan una cantidad considerable de información irrelevante. Sin embargo, la mayoría de las investigaciones han tenido dificultades para abordar el desafío de dotar a las características de información tanto atenta como diversificada de manera simultánea. Para extraer características de peatones atentas pero diversas al mismo tiempo, amalgamamos las fortalezas de la atención de redes neuronales convolucionales (CNN) y la auto-atención. Al integrar las características latentes extraídas, presentamos una Red de Atención/Diversidad Híbrida (MIX-Net), que captura hábilmente información atenta pero diversa de imágenes personales a través de una fusión de ramas de atención y ramas de supresión de atención. Además, para extraer información latente de regiones secundarias importantes y enriquecer la diversidad de características, diseñamos una nueva Máscara de Partes Discriminativas (DPM). Los resultados experimentales establecen la robusta competitividad de nuestro enfoque, especialmente en distinguir de manera efectiva a individuos con atributos similares.